O Google utiliza dados históricos de notícias e inteligência artificial para prever enchentes repentinas

As enchentes repentinas estão entre os fenômenos meteorológicos mais letais do planeta, causando mais de 5.000 mortes por ano. Elas também são notoriamente difíceis de prever. O Google, no entanto, acredita ter encontrado uma solução inovadora para esse problema: a análise de notícias.

Embora a humanidade tenha acumulado vastas quantidades de dados meteorológicos, as enchentes repentinas são muito breves e localizadas para serem medidas sistematicamente, ao contrário das tendências de temperatura ou vazão dos rios, que são monitoradas ao longo do tempo. Essa deficiência de dados impede que os modelos de aprendizado profundo, mesmo à medida que se tornam mais hábeis na previsão meteorológica geral, prevejam com precisão as enchentes repentinas.

Para preencher essa lacuna, os pesquisadores do Google empregaram o Gemini — o grande modelo de linguagem da empresa — para vasculhar 5 milhões de artigos de notícias globais. O processo identificou relatos de 2,6 milhões de eventos distintos de enchentes, convertendo-os em uma linha do tempo com geotags chamada “Groundsource”. De acordo com Gila Loike, gerente de produto do Google Research, isso marca o primeiro uso de modelos de linguagem pela empresa para tal finalidade. A pesquisa e o conjunto de dados foram divulgados na manhã de quinta-feira.

Usando o Groundsource como referência do mundo real, a equipe treinou um modelo baseado em uma rede neural de Memória de Curto e Longo Prazo (LSTM). Esse modelo processa previsões meteorológicas globais para gerar estimativas de probabilidade de enchentes repentinas em locais específicos.

O modelo de previsão de enchentes repentinas do Google agora identifica riscos para áreas urbanas em 150 países em sua plataforma Flood Hub e compartilha esses dados com agências de resposta a emergências em todo o mundo. António José Beleza, oficial de resposta a emergências da Comunidade de Desenvolvimento da África Austral que participou de um teste do modelo, afirmou que ele melhorou significativamente a velocidade de resposta de sua organização a eventos de enchentes.

O modelo apresenta limitações atuais. Sua resolução é relativamente ampla, avaliando o risco em zonas de 20 quilômetros quadrados. Ele também é menos preciso do que sistemas como os alertas de enchentes do Serviço Nacional de Meteorologia dos EUA, em parte porque não integra dados de radares locais para o rastreamento de precipitação em tempo real.

Um dos principais objetivos do projeto, no entanto, era criar uma solução para regiões onde os governos locais não dispõem de recursos para infraestruturas caras de monitoramento meteorológico ou registros meteorológicos históricos detalhados.

“Ao agregar milhões de relatórios, o conjunto de dados do Groundsource ajuda a reequilibrar o mapa global”, explicou Juliet Rothenberg, gerente de programa da equipe de Resiliência do Google. “Isso nos permite extrapolar insights para outras regiões com muito menos informações disponíveis.”

Rothenberg acrescentou que a equipe espera que essa metodologia — usar LLMs para criar conjuntos de dados quantitativos a partir de fontes escritas qualitativas — possa ser aplicada a outros desafios de previsão efêmeros, mas críticos, como ondas de calor e deslizamentos de terra.

Marshall Moutenot, CEO da Upstream Tech, uma empresa que utiliza aprendizado profundo semelhante para previsões de vazão fluvial para clientes como empresas de energia hidrelétrica, vê o trabalho do Google como parte de um esforço mais amplo para compilar dados para modelos meteorológicos impulsionados por IA. Moutenot também foi cofundador do dynamical.org, um grupo que seleciona dados meteorológicos prontos para aprendizado de máquina para pesquisadores e startups.

“A escassez de dados continua sendo um dos maiores obstáculos na geofísica”, observou Moutenot. “Paradoxalmente, há uma superabundância de dados sobre a Terra, mas uma escassez de dados de referência validados para avaliação. Essa foi uma abordagem altamente criativa para adquirir esses dados essenciais.”